多模式特征融合网络肺结节良恶性分类方法

胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征融合网络肺结节良恶性分类方法。具体地,以MobileNet V3为骨干网络,以原始肺结节CT图像及提取出的结节图像为输入,设计了一种双路径特征提取网络,不仅能够有效提取原CT图像的全局信息,还能有效挖掘肺结节区域的判别性特征,以弥补结节较小时网络过多关注其周围组织从而产生误判的问题。此外,在特征提取阶段引入convolutional block attention module(CBAM)和通道混洗机制,进一步增强了网络的特征表达能力。同时,对原MobileNet V3网络结构做出修改,删除最后四组基于倒残差结构的bottlenecks(bnecks)模块,使模型能够以较小的时间和空间复杂度精确诊断恶性结节。在LIDC-IDRI数据集上的实验表明,提出的方法能够在显著降低网络参数量和FLOPs的同时实现对肺结节良恶性的精确分类,分类准确率、敏感性、特异性、精确率、F1值和AUC值分别达到了93.71%、94.03%、93.48%、95.56%、92.65%和98.66%。

基于集成随机森林模型的肺结节良恶性分类

针对目前计算机辅助肺结节良恶性分类模型精度较低的问题,提出了一种基于CT图像的集成随机森林模型肺结节良恶性鉴别方法。首先分割肺结节区域,提取其影像学特征向量输入多个基分类器;然后利用每个基分类器的置信度构建集成模型的分类损失函数,求出每个基分类器的权重;最后根据每个基分类器输出的类别概率值进行加权求和,求得其中概率最大值的类作为分类类别。为验证提出的分类模型性能,设计三种实验方案进行测试,准确率分别达到96.41%、91.36%、95.82%;与已有的肺结节良恶性分类模型进行对比,结果表明,集成随机森林分类模型能够有效提高肺结节鉴别良恶性的准确度。

基于病理特征和改进随机森林的肺结节分类

针对基于小样本训练的机器学习模型对肺结节良恶性分类精确度不高的问题,本文提出了一种基于病理特征和改进随机森林的肺结节良恶性分类方法。首先利用灰度级转换、两次区域生长和一次腐蚀膨胀,将肺结节周围的CT图像数据完整地分割出来,保留了特征细节,然后提取了语义特征、形态学特征、图形学特征、临床特征组合而成的病理特征,接着选取不同的特征分别训练2种随机森林分类器,最后将2种分类器进行集成加权得到肺结节良恶性的分类结果。通过ROC曲线、AUC值和其他机器学习方法进行对比,表明本文的方法能有效提升肺结节良恶性的分类精确度。

基于双路径交叉融合网络的肺结节CT图像分类方法

针对肺结节计算机断层(CT)图像具有的细节多样性以及类间相似性的问题,构建了一种集卷积神经网络(Convolutional neural network, CNN)和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先,以窗口多头自注意力和滑动窗口多头自注意力为基础,构建全局特征块,用于捕获结节的形态特征;以大核注意力为基础构建局部特征块,用于提取结节的纹理、密度等内部特征。其次,设计特征融合块用于融合上一阶段的局部与全局特征,使每一条路径都能获得更综合的判别信息。然后,引入KL(Kullback-leibler)散度来增加不同尺度特征之间的分布差异性,优化网络性能。最后,采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验,网络的分类准确率、召回率、精确率、特异性、受试者操作特征(ROC)曲线下的面积(Area under curve, AUC)分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明,所提方法具有较好的肺结节良恶性分类能力。